O que é a Inteligência Artificial?
“Any fool can know. The point is to understand.” — Albert Einstein
John McCarthy, que cunhou o termo Inteligência Artificial em 1955, definiu-o como “a ciência e engenharia de fazer máquinas inteligentes.” Atualmente, o termo “inteligência artificial” refere-se a um campo específico da ciência computacional capaz de criar sistemas capazes de recolher dados e tomar decisões e/ou resolver problemas, que tipicamente requerem inteligência humana.
Mas como abordar algo tão amplo como a Inteligência?
John McCarthy acrescenta: “Todos os aspectos da aprendizagem, ou qualquer outra característica da inteligência, podem, em princípio, ser descritos tão precisamente que uma máquina será capaz de simulá-los”.
Então é essa mesma abordagem que a IA segue. O ser humano é o ser mais inteligente que se conhece, então as máquinas que empregam IA procuram imitar o ser humano.
O ser humano consegue ver. Este é o campo da Visão Computacional.
O ser humano consegue reconhecer o ambiente e mover-se. Este é o campo da Robótica.
O ser humano consegue escrever, ler, falar e ouvir. Estes são os campos de Processamento de Língua Natural e de Reconhecimento de Diálogo.
O ser humano consegue reconhecer padrões. Este é o campo do Reconhecimento de Padrões. As máquinas são ainda melhores que o ser humano a reconhecer padrões, pois conseguem utilizar mais dados e aprender mais dimensões dos dados. Esse é o campo do Machine Learning.
O ser humano tem um cérebro, composto por uma rede de neurónios que permite aprender coisas novas. Se for possível replicar a estrutura e as funções cérebro humano, podemos conseguir capacidades cognitivas. Este é o campo das Redes Neuronais. Quando estas redes neuronais são mais profundas e complexas, e as utilizamos para aprender coisas mais complexas, esse é o campo da Aprendizagem Profunda (Deep Learning).
Quais são as aplicações reais da IA?
Embora a IA tenha sido introduzida na década de 1950, o mundo começa apenas agora a compreender o impacto que ela pode ter e como nós lidamos com análise de dados e planeamento de decisões.
O “Emerging Jobs Report do LinkedIn 2020” afirma que a “Inteligência Artificial vai requerer que toda a força de trabalho aprenda novas competências, seja para se manter atualizado com a sua função corrente, seja para conseguir uma nova carreira como resultado da automação”.
E os resultados da crescente aplicação das IA são visíveis nas redes sociais, nos media e mesmo no mundo com que interagimos.
Alguns exemplos de aplicações da Inteligência Artificial
- Criatividade Artificial:
- MuseNet: rede neuronal profunda que consegue gerar 4 minutos de composições musicais com 10 instrumentos diferentes.
- Wordsmith: plataforma de geração de língua natural que transforma dados numa narrativa perspicaz.
- Redes Sociais:
- Identificação de amigos pelo reconhecimento facial.
- Identificação de discurso de ódio.
- Chatbots:
- Assistentes pessoais virtuais (Siri, Cortana, Alexa, etc): reconhecimento de diálogo e processamento de língua natural para responder a pedidos/questões.
- Veículos Autónomos
- Veículos estacionam autonomamente.
- Veículos com condução autónoma.
- Indústria de Jogos
- AlphaGo: primeiro programa de IA a derrotar um humano no jogo de tabuleiro Go.
- Banca e Finanças
- Os sistemas de IA conseguem analisar os padrões de grandes quantidades de dados e produzir previsões sobre o mercado, identificar fraudes, etc.
- Agricultura
- Sistemas de IA conseguem monitorar e identificar o estado das plantas e do solo e agir com base nos resultados.
- Saúde
- IBM Watson: analisa dados médicos e produz diagnósticos médicos.
- Deep Mind Health: analisa imagens retinais e faz diagnóstico de problemas oculares.
- Marketing
- Publicidade direcionada (recomendações de produtos relacionados com um produto comprado).
- Recomendação de filmes com base nos filmes vistos.
- Recomendação de músicas com base nas músicas ouvidas.
Mas como funciona na prática?
Onde entram os Chatbots, o Machine Learning, o data Mining, as redes neuronais, os algoritmos?
A IA é uma área em constante evolução e com isso a terminologia utilizada vai evoluindo também a um passo muito rápido, sem se chegar a um consenso geral de como se organizar todos os conceitos numa taxonomia bem definida.
E com todo o seu sucesso, a Inteligência Artificial por ser uma vítima disso mesmo. O número de pessoas que falam sobre IA supera a sua educação e conhecimento no assunto, gerando equívocos e expectativas irrealistas.
Não é necessário ser um especialista em IA, mas a literacia em IA, como parte da literacia digital, vai ser um requisito fundamental no século 21.
Esta literacia começa por designar e compreender as coisas. Como existem inúmeros glossários de IA, apresentamos aqui uma breve taxonomia, onde vamos dissecar a Inteligência Artificial ao longo de várias dimensões.
1. Segmentação de IA por amplitude de inteligência: Estreito vs Geral (Narrow AI vs General AI)
Uma inteligência artificial pode ser chamada de IA fraca/estreita ou IA forte/geral.
Uma IA fraca opera num âmbito estrito, como por exemplo as IA que recomendam um filme, que reconhecem faces, que identificam tumores ou que conduzem um carro.
A IA forte é o Santo Graal da IA. Uma Inteligência Artificial Geral tem a habilidade de demonstrar inteligência a um nível humano ao longo de um conjunto de atividades cognitivas que o ser humano realiza na sua vida, a capacidade de saltar de um assunto para o outro com facilidade e de estabelecer ligações entre os assuntos. Ainda não existem sistemas de IA forte, e as previsões apontam que apenas por volta de 2050-2060 é que iremos ver este tipo de sistemas.
2. Segmentação de IA por habilidade de aprendizagem: IA Simbólica vs Machine Learning
A IA simbólica resume-se a sistemas que simulam o comportamento humano através de conhecimentos e regras importados por humanos, que se traduzem em instruções metodicamente executadas pelos sistemas, como o caso da robótica. A IA simbólica foi utilizada principalmente entre a década de 1970 e o virar do século, e foi abandonada por causa da sua complexidade, ineficiência e limitações.
Paralelamente à IA simbólica, o Machine Learning foi explorado como uma abordagem sub-simbólica sem uma representação específica de conhecimento.
O Machine Learning concede a um sistema a capacidade de executar uma tarefa sem ser explicitamente programado para isso (por exemplo, um carro autónomo pode andar numa estrada que nunca viu antes); também é definido como um processo em que o desempenho aumenta com a experiência. Por outras palavras, a máquina aprende. É ensinada por humanos sobre como aprender, mas não qual deve ser o resultado. Essa lógica é por vezes chamada de estatística ou biológica.
As técnicas modernas de Machine Learning superam drasticamente a IA simbólica na maioria das tarefas descritivas, preditivas e prescritivas. Mas o Deep Learning, uma das suas abordagens mais eficazes e populares, tem uma grande fraqueza: é uma caixa preta. Em outras palavras, o seu resultado não pode ser explicado logicamente, porque a representação dos dados é demasiado complexa para ser interpretada. Se o empréstimo for negado a um indivíduo ou se um suspeito for condenado, a falta de explicação é um problema. Em contraste, a IA simbólica não sofre com essa deficiência. O melhor de ambas as abordagens, no futuro, poderá ser um híbrido das duas.
3. Segmentação de Machine Learning por tipo de aplicação: Classificação, Regressão, Clustering …
As tarefas executadas pelo Machine Learning podem ser agrupadas em várias aplicações, das quais vamos apresentar três das mais populares.
No topo da lista está a classificação. A maior parte do processamento de imagens ou visão computacional é baseada na classificação, desde a marcação automática de amigos no Facebook até a deteção de tumores numa ressonância magnética, desde o controlo de qualidade numa linha de produção até à identificação de obstáculos por veículos autónomos.
A regressão é usada para prever valores contínuos. Determinar o preço provável de uma casa ou as vendas anuais de um produto, prever a demanda por electricidade ou o número de anos que um funcionário pode ficar numa determinada posição são problemas de estimativa contínua. Estes geralmente beneficiam do uso de um grande número de variáveis de entrada.
A terceira, clustering, resume-se ao acto de ordenar e agrupar uma população com base em características comuns. Por exemplo, identificar segmentos de mercado para consumidores ou alunos com competências e desafios semelhantes, ou palavras que pertencem a grupos semânticos semelhantes. No sentido mais amplo, inclui-se também sistemas de recomendação, prescrevendo o próximo produto a ser oferecido a um cliente.
4. Segmentação de Machine Learning por paradigma de aprendizagem e uso de dados: Supervisionado, Não Supervisionado, Por Reforço, etc …
Existem diferentes paradigmas para treinar algoritmos.
Na Aprendizagem Supervisionada, os dados são rotulados por humanos e inseridos no algoritmo, que posteriormente aprende a categorizar novos dados não rotulados. As aplicações recentes de aprendizagem supervisionada em imagens, vídeo ou som são inúmeras: desde a deteção de doenças cardíacas em exames de olho até á seleção de vegetais maduros, desde a presença na escola até ao ajuste do conteúdo do curso com base no envolvimento, desde a análise do humor num local turístico até a aplicação da lei desde a deteção de sentimentos nas vozes dos clientes num call center até o alívio de pacientes em sofrimento psíquico.
A Aprendizagem Não Supervisionada usa dados que normalmente são atribuídos ao sistema para agrupar ou reduzir a dimensionalidade. Diz-se que o processo não é supervisionado porque determina por si mesmo as categorias adequadas (se informado quantas deve haver). Por exemplo, se os dados de vendas forem inseridos num sistema não supervisionado para extrair quatro segmentos de clientes, ele irá fazer isso sem ajuda adicional. Em problemas multidimensionais, também se pode descobrir quais dimensões são mais significativas, ou seja, não se distorce muito a informação se as outras dimensões fossem descartadas. É assim que a compressão de ficheiros funciona: menos informações levam a ficheiros menores, sem perder muitas informações.
Na Aprendizagem por Reforço, o sistema simplesmente recebe um objetivo, mas não lhe é mostrado como alcançá-lo. Após completar a tarefa, ele recebe um feedback (a “recompensa”): o objetivo foi alcançado ou não? Ao repetir o processo milhares ou milhões de vezes, o sistema desenvolve estratégias para executar a tarefa corretamente. A aprendizagem por reforço ficou famosa quando em 2017 a inteligência artificial Alpha Go Zero da Deepmind derrotou Li Ke Jie, o campeão mundial no jogo Go. O Alpha Go Zero recebeu meramente as regras do jogo e jogou repetidamente contra versões mais antigas de si mesmo, até se tornar imbatível até mesmo para o campeão mundial.
Estes diferentes paradigmas de aprendizagem também denotam um uso muito diferente de dados. Essencialmente, a aprendizagem não supervisionada requer dados a ser categorizados. A aprendizagem supervisionada, o paradigma mais usado nas aplicações atuais, também precisa de grandes quantidades de dados para ser treinado de forma eficaz. Estes factos fazem com que os dados sejam apelidados de “o novo petróleo” e muitas preocupações sejam expressas sobre a disponibilidade de dados, privacidade, propriedade, etc. Somando-se a isso, abordagens recentes tentam acomodar a escassez de dados. Na Aprendizagem por Transferência (Transfer Learning), por exemplo, um sistema previamente treinado aprende a aplicar as suas habilidades a novas situações para as quais não foi especificamente treinado. O Alpha Go Zero, por exemplo, tornou-se Alpha Zero após Aprendizagem por Transferência e venceu o melhor software de xadrez do mundo após uma sessão de treino de apenas quatro horas!
5. Segmentação de redes neuronais artificiais por profundidade: simples vs profunda
Na Aprendizagem Profunda, uma sub-área do Machine Learning, uma Rede Neuronal Artificial é geralmente considerada uma Rede Neural Profunda (Deep Neural Network) quando há mais de uma camada oculta, ou seja, mais de três camadas na rede total (contando a camada de entrada e a camada de saída). Aumentar a profundidade da rede geralmente aumenta o desempenho do algoritmo … desde que haja capacidade computacional suficiente para treiná-lo.
A Aprendizagem Profunda geralmente refere-se ao uso de redes neuronais profundas, embora também haja outros casos, como Redes de Crenças Profundas (Deep Belief Networks).
6. Segmentação de redes neuronais artificiais por tipo de algoritmo: Simple Feed-forward, CNN, RNN, GAN, etc …
O algoritmo de rede neuronal artificial básico diz-se “feedforward” simples. O algoritmo “viaja” ao longo da rede neuronal numa única direcção, da camada de entrada para a camada de saída sem nunca voltar ou fazer um loop. No entanto, o treino da rede, para determinar os pesos próprios associados a cada nó (“neurónio”), recorre a um cálculo de “back-propagation”, que flui na outra direcção.
Existem variações do algoritmo de “feedforward” simples. Nas Redes Neuronais Convolucionais (CNNs), os padrões de conectividade entre os nós assemelham-se aos do córtex visual dos animais. As CNNs são particularmente adequadas para reconhecimento de imagem. As Redes Neuronais Recorrentes (RNN) capturam a noção de sequência. Elas capacitam muitas aplicações de Processamento de Linguagem Natural.
As Redes Adversariais Generativas (GANs) têm 2 redes simultâneas trabalhando em conjunto ou em oposição, uma frequentemente testando o trabalho da outra. São eficientes na geração de dados quando o original é escasso … ou quando as pessoas querem falsificá-lo.
Pronto para transformar o seu negócio com Inteligência Artificial?
Contacte-nos para:
- Melhorar a Tomada de Decisões: Utilize IA para tomar decisões baseadas em dados com precisão.
- Automatizar Processos: Aumente a eficiência automatizando tarefas repetitivas.
- Experiências Personalizadas: Proporcione experiências personalizadas aos seus clientes utilizando insights baseados em IA.
- Análises Preditivas: Antecipe tendências e resultados com modelos preditivos avançados.
- Integração Inteligente: Integre a IA de forma fluida com os seus sistemas existentes.
- Soluções Inovadoras: Desenvolva aplicações de IA de ponta adaptadas às necessidades do seu negócio.
- Aumentar a Produtividade: Utilize a IA para otimizar fluxos de trabalho e aumentar a produtividade.
- Orientação Especializada: Receba apoio dos nossos especialistas para maximizar a sua estratégia de IA.
- Custo-Benefício: Reduza custos operacionais com automação inteligente.
Se estiver interessado em saber mais sobre nós e como podemos ajudá-lo, contacte-nos.
Também pode visitar o nosso blog para mais artigos e insights sobre as tecnologias Microsoft 365.